因为部分图形绘制函数共用了一套参数体系，在颜色、曲线形状等部分的使用方式也是一致的。所以，在讲解各类图形绘制之前，我们整体性地对各类通用参数进行一个整理，并在此基础上对于颜色（color）、数据点标记（marker）和曲线形式（linestyle）等几个通用参数进行相对完整的讲解。
在此，以函数为基础，对于一些比较重要的参数进行整理，包括线条的粗细，颜色，形状，样本点的标记，曲线标签等等。这里将各种参数分类汇总成如下几类：函数图像绘制
（1）曲线设置参数
（2）数据点标记（marker）的设置参数
（3）其他参数
对于曲线上每一个散点，均可以利用一个标记进行单独的显示，这个标记被叫做。它有许多可选的参数，这里将可以直接作为参数调用的主要部分摘自官方文档整理如下：
与此同时，绘制曲线时，其线型（）也有多种可选参数，整理如下：
作为和的参数，上述参数表对于所有能用上它们的函数都适用。
对于，我们能传递多种参数，最常用的有三种传参的形式：
我们可以通过已有的帮助文档了解常用的一批颜色的名称，以便于我们访问和选用[ 参考：官方文档1、官方文档2、官方文档3函数图像绘制]。例如如下源于官方示例的色彩图，实际上内置的颜色名称远比下面要丰富：
但是，访问一个特定的颜色并不是本节讲解colors的全部。我们这里继续补充一个matplotlib中与颜色相关的很有意义的功能，即。当访问一个，便可访问整组颜色，并依照需要选择其中的某一个。例如在这里，我们首先观察两组不同的，其各种各样的内置cmap详见各种官方文档链接：camp官方文档
上面展示了两个，这里显示的每一行就是一个的颜色序列，左侧是这个的名称。用系统内置的颜色序列方式是，利用函数访问某个的名称，即可访问对应的颜色序列，返回的是一个对象，当传递列表时，会得到对应的颜色数目，传递的列表有两种主要形式：
先导入本节需要用到的函数包和数据表：
具体使用示例如下：
输出如下：
也可以在一些函数内作为参数，例如在支持参数，这个参数允许接收一个标记各组元素的各自颜色。
先定义一些数据如下：
输出图像如下：
图，它假定的是x一直递增，但是其中的x在x[i]到x[i + 1]之间都取同一个值，默认是y[i+1] 请参考：step图官方文档。
相比而言，多了一个参数(。当为时，表示x在x[i]到x[i + 1]之间一直取y[i + 1]，为时，表示一直取y[i]，为时，表示在x到x+1的中点跳变，的默认值为。我们再一段代码展示其效果：
输出图像如下：
我们首先绘制函数的图。是同时将x和y标度取对数后作图：
函数和与类似，是单独将y或x的值取对数后作图：
输出图像如下：
散点图利用绘制，同时利用参数根据曲线的各个点指定点的颜色，利用参数根据设置各个散点的大小， 利用参数指定点的形状。在这里取鸢尾花数据集的花萼长和花萼宽进行散点图绘制：
genus列是鸢尾花数据集中的类别属性，我们用它作为我们的分组变量。我们设置一个颜色的字典，利用列表推导式制作每个点的颜色（二维列表），将它传递给函数作为参数：
输出图像如下：
利用的是参数，它的值就是各个点的大小，我们根据trees数据的的Volume（即树在该周长和高度下的黑莓产量）设置点的大小：
输出图像如下：
对于参数而言，还有其扩展的功能，它可以不是传入数组，而是传入一个通过numpy建立的。这是一个带对应布尔值的数组，它可以实现的是在值为时输出该点，在时不输出该点[ 其实直接在早先按照逻辑判断，将数组按照条件语句拆成多个部分分别画图也可以达到一样的效果。]。请注意通过numpy构建如下的方式：
输出图像如下：
这里可以绘制一般的纵向的条形图，也可以绘制横向的条形图，二者分别通过两个函数名字分别为和[ 请参考：bar()函数官方文档、barh()函数官方文档]。
函数常用的参数如下：
具体示例如下：
输出图像如下：
参数设置的是我们这个条形图的绘制起点，也就是底点，我们从这个底点向上画图，就能得到堆叠的效果
实现堆叠型柱形图的代码示例如下。请注意，为了令图形保持协调统一，最好是保持逻辑上是一组条形图中各个或者等参数的一致。代码及输出图像如下：
上述两个重要的参数和，放到水平的条形图中的对应参数是和。我们在此简单地将刚刚的代码修改一下，并利用绘制水平方向的堆叠图：
输出图像如下：
饼图能清晰地展示一组数据的分布情况。绘制饼图使用函数[请参考： 饼图的官方文档 ]。
我们首先介绍其最基本的调用方式：
输出图片如下：
在绘制饼图的时候，有几个相对重要的参数：
这里请务必注意和中属性的关系。这些半径值全部是绝对数字而非比例，例如半径radius为0.9的圆，遇上width为0.7时，表示在半径0.9的圆区域内，从边线向内绘制一个0.7半径的环，剩余内部半径0.2的小圆置空。这个是绘制饼图时相对有些需要仔细理解的重要内容。
除了这三个参数以及字典之外，在饼图中有许多可以利用的这些参数，包括颜色、边线、文本标记的调整等，但这些较为容易理解，因此直接在此给出一个相对复杂的饼图的例子，并在绘制这个饼图的过程中以批注逐一说明：
输出图像如下。请注意此时是在半径为1.2的圆形区域内，绘制一个宽度为0.4的环形。与此同时，我们利用了一个函数，用以指示饼图的显示形状为正圆形，即将长宽设置为等长：
我们可以绘制数个环形的图片，将数年的数据输出在同一张饼图上，这里绘制三年的数据。这里我们就运用的来获取深浅程度略有差异一组颜色，分别指示三年的分布变化（tab20c只支持20种颜色）：
输出图像如下。other类全为浅灰色的原因是仅有5类共20个颜色，other超出了访问范围，因此全部取了的最后一个颜色浅灰色。不过在此，效果恰合需求：
这种方式的展示在比较各种分配侧重的时候显得很直观，例如城市间第一二三产业产值占比、消费类型占比的比较等。
直方图用于观察一个变量分布情况，传递的是一维数据，返回的图形横坐标是值，纵坐标是频数或是分布概率。绘制直方图一般用函数[ 请参考：hist()函数官方文档]
函数有许多需要描述的参数，在此整理如下：
我们使用随机采样构建一个正态分布的采样结果，来展示这个函数的调用方式，具体示例如下：
在绘图结果之上，我们也可以顺带做一个拟合分布的曲线：
输出图像如下：
二维数据直方图[ 请参考：hist2d()函数官方文档]，二维数据的直方图用函数。绘制二维数据的直方图类似于绘制一个热力图，即颜色的从高到低代表频数，横纵坐标是二维数据本身。在这个里面有部分参数和之中的很相似，区别主要是分箱和区间的定义方式，以及利用定义直方图的颜色展示：
输出图像如下：
热力图实际上可以说是一种用颜色来描述数值大小的分布。在绘制热力图中，最基础的是，层级图绘制的是一个一个的方块，而绘制的是平滑的过渡曲线。但热力图绘制的是各个区间点的值，这个值对应到在直方图中时，就是我们的概率密度。我们为了能够能传递数据，就首先拿着我们刚刚的x和y，来先行计算频数和每个方框的概率密度。
步骤1：定义绘制的长和宽即区间个数。接着进行数目为num的随机采样，这里仍然以正态分布的方式采集样本：
步骤2：设置和的上下区间并直接用于构建一个等差数列，这个区间基于3delta原则计算，可调整。这里的格子中，仅保存从0.3分位数至99.7分位数；width个区间需要width + 1个元素来指示。
步骤3：计算某个区间的频数（pf）和累积的频数（cf）。注意的第一是传入的元组中，x的宽是列数，y的宽是行数，可能与我们的潜意识相反，这个问题贯穿程序。第二是需要用pandas DataFrame的切片修改，因为用numpy数组切片后再次切片做元素访问，不会修改原值。
步骤4：利用累积频数除以总样本数可得累积概率分布（z_cd）。利用每一个区间的频数除以总样本数作为概率值，之后对每个区间的面积进行标准化（将总面积标准化为1），得到最终的概率密度（z_pd）：
最后，我们将这两者进行保存成为文件：
我们首先将数据读取出来，这个步骤对后面的函数和函数相同：
输出图像如下：
对于它，我们也有一些重要的修饰参数：
我们集中调用一个例子，进行绘图部分：
最终输出一个带颜色标尺的图形：
相比于绘制时是每一个点绘制一个颜色块，在中，每一个实际绘制的样本点，实际上是由x和y所环绕的矩形。
具体示例如下：
我们也结合上面的x、y和上述例子来调用这个函数，以观察效果。需要指出的是，x和y可以不给出，只给出z_pd这样同样能完成图像的绘制，但横纵坐标的绘制结果会与函数相同，给出x、y之后横纵坐标会参考x和y进行设置：
输出图像如下：
我们可以绘制等高线图和，其中，绘制的是填充的等高线区间，绘制的是等高线的线本身，它的x和y也不是必须的，但如果给出x和y时，和刚刚的x和y稍有不同。
我们简单讲解一下即可，仅用其少数几个参数：
输出图像如下：
箱线图绘制的是每个列数据的箱体和异常点。使用函数，它的详细参数介绍如下：
具体示例如下：
输出图像如下：
小提琴图是同时描述数据上下分布和数据密度的图形，使用plt.violinplot函数，提琴的主要参数介绍如下，和箱线图的主要参数很相似：
在此，我们同样用一个例子来综合运用上面各个参数，来展示各参数实际效果：
输出图像如下：
以上就是在数据分析中常用到的可视化图形，下节我们将补充对于图形属性设置函数的讲解。
对于缺乏Python基础的同仁，可以通过免费专栏🔥《Python学习笔记（基础）》从零开始学习Python
请始终相信 ，不要过分追求完美，即刻行动就是最好的开始， 一个模块一个模块地积累和练习，必将有所收获。
还有其他的问题欢迎在评论区留言📝！
[版权申明] 非商业目的注明出处可自由转载，转载请标明出处！！！
博客：butterfly_701c
